대조적 표현 학습을 통하여 그룹, 유저, 아이템의 구조를 활용하는 추천 시스템

Abstract

그룹 추천 시스템은 복수의 유저로 이루어진 그룹에게 아이템을 추천하는 시스템이다. 기존의 그룹 추천 시스템은 그룹-아이템 상호작용이 부족한 상황에서도 정확한 추천을 하기 위해 그룹의 임베딩과 해당 그룹의 구성원의 임베딩 사이의 상호 정보량을 최대화하여 아이템을 추천한다. 그러나 그룹-아이템 상호작용과 유저-아이템 상호작용이 모두 부족한 상황에서는 추천 성능이 떨어진다는 단점이 있다. 이를 해결하기 위하여 본 논문에서는 그룹과 유저에 대한 대조적 표현 학습뿐만 아니라 그룹과 아이템에 대한 대조적 표현 학습을 사용하는 모델을 제안한다. 이에 더해 적대적 생성 신경망을 적용한 협업 필터링을 사용하여 유저-아이템 상호작용 데이터를 증강시키는 방법과 기존의 그룹로부터 새로운 그룹을 만들어 데이터 증강을 하는 방법을 제시한다. 또한, 실험을 통하여 제안하는 방식이 그룹과 아이템, 유저와 아이템 간의 상호작용들이 부족한 상황에서도 추천 성능을 향상시킴을 확인한다.

A group recommendation system is a system for recommending items to a group consisting of several users. Existing group recommendation systems recommend items by maximizing the mutual information between the embedding of the group and the embedding of the members of the group in order to make an accurate recommendation even in a situation where group-item interactions are sparse. However, a key weakness is that the recommendation performance is poor when both group-item interactions and user-item interactions are sparse. To solve this problem, this paper proposes a method using contrastive representation learning for groups and items as well as for groups and users. In addition, we propose a method to augment user-item interaction data using a collaborative filtering method based on a generative adversarial network and a method to augment data by creating a new group from an existing group. Our experimental results show that the proposed method improves recommendation performance even when interactions between groups and items and between users and items are both sparse.